01 / 01

类目筛选(食品学者)

清除筛选
  • 研究对象/基质维度
    • 谷物/块根/豆与坚果类
      • 小麦
      • 玉米
      • 大米
      • 杂粮
      • 马铃薯
      • 其他根茎类
      • 其他谷物与块根
      • 豆类与坚果(及籽类)
    • 肉类/蛋类与水产品
      • 畜肉
      • 禽肉
      • 鱼肉
      • 甲壳类
      • 软体与贝类
      • 内脏及副产物
      • 其他肉与水产品
      • 蛋类及其制品
    • 乳及乳制品
      • 液态乳
      • 发酵乳/酸奶
      • 奶酪
      • 乳粉
      • 乳清及乳清制品
      • 其他乳制品
    • 水果/蔬菜与菌菇类/植物类
      • 新鲜水果
      • 新鲜蔬菜
      • 果蔬汁/浓缩汁
      • 果蔬干/果脯/蔬菜干
      • 其他果蔬制品/植物类
      • 食用菌菇
      • 食用花卉
    • 油脂及油脂制品
      • 植物油
      • 动物油脂
      • 起酥油/人造脂肪
      • 油炸食品
      • 其他油脂制品
    • 饮料
      • 果蔬饮料
      • 茶/茶饮料
      • 咖啡饮料
      • 乳饮料
      • 功能/运动饮料
      • 碳酸饮料
      • 酒精饮料
      • 其他饮料
    • 糖、焙烤与糖果制品
      • 面包
      • 蛋糕/糕点
      • 饼干/薄脆制品
      • 糖果
      • 巧克力及含可可制品
      • 其他焙烤与糖果制品
      • 蜂蜜等天然糖
    • 发酵食品及酱腌制品
      • 大豆发酵制品
      • 蔬菜发酵制品
      • 发酵豆制品
      • 谷物发酵食品
      • 肉类发酵制品
      • 水产发酵制品
      • 其他酱腌/发酵食品
    • 复合/即食/餐饮食品
      • 方便面及速食米面
      • 预制菜/即食菜肴
      • 冷冻方便食品
      • 罐头菜肴
      • 餐饮菜品与团餐
      • 其他复合食品
    • 新资源食材
      • 昆虫蛋白
      • 微藻及藻类产品
      • 单细胞蛋白
      • 细胞培养肉
      • 其他新资源食材
    • 食品添加剂与配料
      • 碳水化合物配料
      • 脂肪/油脂配料
      • 蛋白质配料
      • 乳化剂/稳定剂/增稠剂
      • 甜味剂
      • 香精香料
      • 酸度调节剂/防腐剂/抗氧化剂
      • 营养强化剂
      • 其他添加剂与配料
    • 新材料/包装与接触材料
      • 塑料材料
      • 纸及纸板
      • 金属材料
      • 玻璃材料
      • 生物基/可降解材料
      • 多层复合材料
      • 探针与分析传感材料
      • 其他材料
    • 食品加工设备与机械系统
      • 热处理设备
      • 干燥设备
      • 挤压/混合/成型设备
      • 分选/分级/检验设备
      • 灌装/封口/包装设备与生产线
      • 清洗/CIP/卫生相关设备
      • 输送/搬运/机器人系统
      • 其他加工设备与系统
  • 研究主题/科学问题维度
    • 加工与新加工技术
      • 传统热加工
      • 非热加工技术
      • 物理辅助加工
      • 3D 打印与结构构筑
      • 挤压膨化与共挤技术
      • 其他加工技术
    • 保藏与贮藏
      • 冷藏与冷冻保藏
      • 干燥保藏
      • 改良气调/控气贮藏
      • 保鲜涂膜与保鲜剂
      • 货架期预测与品质劣变动力学
      • 其他保藏技术
    • 品质、结构与理化性质
      • 质构与流变性质
      • 颜色与外观品质
      • 微观结构与成像
      • 氧化、褐变等化学变化
      • 其他品质相关性质
      • 特征风味
    • 营养与生物功能
      • 基本营养价值评价
      • 抗氧化/抗炎等功能
      • 血糖、血脂与代谢相关功能
      • 肠道健康与微生物相关功能
      • 其他生物活性与健康效应
    • 食品安全与风险评估
      • 微生物安全
      • 化学污染物
      • 加工污染物
      • 过敏原与毒性问题
      • 暴露评估与风险表征
      • 其他安全问题
    • 包装与智能监测
      • 包装设计与机械性能
      • 活性包装
      • 智能/指示型包装
      • 包装系统中的监测与标签应用
      • 其他包装相关研究
    • 可持续性与资源高值化
      • 副产物与废弃物高值利用
      • 能耗/水耗与环境影响分析
      • 生命周期评价与碳足迹
      • 循环经济与绿色供应链
      • 其他可持续性主题
    • 感官科学与消费者研究
      • 感官评价与方法学
      • 消费者偏好与接受度
      • 市场细分与消费行为
      • 标签、营养声称与信息呈现
      • 其他感官与消费者研究
    • 过程控制与数字化
      • 过程监测与在线检测
      • 过程优化与控制策略
      • 生产管理与数字化工厂
      • 其他过程控制与数字化研究
  • 研究方法/证据层级维度
    • 理化与结构表征
      • 常规理化指标测定
      • 质构与流变测试
      • 显微与成像技术
      • 光谱/色谱/质谱等分析方法
      • 其他理化与结构表征
    • 微生物与发酵实验
      • 微生物计数与生长曲线
      • 菌种筛选与特性评价
      • 发酵工艺与动力学
      • 生物膜与耐受性研究
      • 其他微生物/发酵方法
    • 组学与高通量技术
      • 基因组学
      • 转录组学
      • 蛋白质组学
      • 代谢组学
      • 微生物组/宏基因组学
      • 其他组学方法
      • 风味组学
    • 体外模型
      • 体外消化模型
      • 体外发酵模型
      • 细胞模型
      • 模拟胃肠/肠道系统
      • 其他体外模型
    • 动物实验/人体试验
      • 小动物实验
      • 大动物实验
      • 人体干预试验
      • 观察性人群研究
      • 其他体内/人群研究
    • 统计建模与仿真
      • 传统统计分析与回归
      • 响应面分析与多因素优化
      • 动力学建模
      • 数值仿真
      • 其他统计建模方法
    • 问卷/市场与消费者研究
      • 问卷设计与实施
      • 访谈与质性研究
      • 行为实验与选择实验
      • 其他消费者研究方法
    • 标准/法规/数据库分析
      • 标准与法规对比分析
      • 政策评估与影响分析
      • 食品成分/消费数据库分析
      • 其他标准法规相关方法
    • 其他方法
      • 专利分析
      • 德尔菲法与专家咨询
      • 情景分析与情景模拟
      • 其他难以归类的方法
  • 关键营养素/成分维度
    • 常量营养素(宏量)
      • 蛋白质与氨基酸
      • 脂质与脂肪酸
      • 碳水化合物与糖类
    • 膳食纤维与抗性淀粉
      • 可溶性膳食纤维
      • 不溶性膳食纤维
      • 抗性淀粉
      • 其他膳食纤维类成分
    • 维生素
      • 脂溶性维生素 A/D/E/K
      • 维生素 C
      • 维生素 B 族
      • 其他维生素或前体
    • 矿物质与微量元素
      • 钙
      • 铁
      • 锌
      • 碘/硒等微量元素
      • 钠/钾/镁等常量矿物质
      • 其他矿物质
    • 植物化学/生物活性成分
      • 多酚与黄酮
      • 花青素与类胡萝卜素
      • 酚酸类
      • 含硫植物化合物
      • 其他植物化学物质
    • 益生菌/益生元/合生元
      • 益生菌菌株
      • 益生元
      • 合生元产品
      • 可发酵底物与其他肠道相关成分
    • 功能性脂类与糖替代品
      • 植物甾醇/甾烷醇
      • 共轭亚油酸
      • 中链脂肪酸
      • 糖醇类
      • 非营养性甜味剂
      • 盐替代品与其他代谢敏感因子
    • 其他特殊成分
      • 咖啡因
      • 茶氨酸
      • 胆固醇
      • 嘌呤
      • 其他特殊成分

深度筛选(计算机学者)

清除筛选
  • 模型类型
    • 机器学习/统计学习
      • 偏最小二乘法
      • 支持向量机
      • 随机森林
      • K-近邻
      • 梯度提升决策树
      • 主成分分析/判别分析
      • 逻辑回归/贝叶斯
      • 智能手机/其他
    • 深度学习
      • 卷积神经网络
      • 循环神经网络
      • 目标检测网络
      • 图像分割网络
      • 生成对抗网络
      • 图神经网络
      • 序列到序列/编码-解码
      • 其他深度学习结构
    • 大模型与 LLM
      • 大语言模型
      • 视觉基础模型
      • 多模态基础模型
      • 知识图谱与 LLM 集成
      • 垂直领域微调/指令调优
      • 检索增强生成
    • 模型设计/优化策略
      • 迁移学习/领域自适应
      • 小样本学习
      • 模型可解释性
      • 模型轻量化/边缘计算
      • 特征工程与选择策略
      • 超参优化/自动机器学习
      • 强化学习
  • 模型任务
    • 分类/鉴别/等级评定
    • 定量预测/回归分析
    • 缺陷/异物检测与定位
    • 过程控制与实时优化
    • 知识抽取与语义理解
    • 设计/生成与推荐
    • 模拟与数字孪生
  • 模型数据
    • 来源
      • 可见光/RGB/视频数据
      • 高光谱/多光谱光谱
      • 红外/拉曼光谱数据
      • 时序传感器/物联网数据
      • 组学数据
      • 质构/流变/感官数据
      • 文本/知识库/法规数据
      • 多模态/融合数据
    • 量级
      • 小规模数据集
      • 中等规模数据集
      • 大规模数据集
      • 超大规模/工业级数据集
      • 公开数据集
      • 合成/仿真数据为主

标签记录(食品学者)

清除全部筛选
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 基于数字图像分析的化学计量学应用同时测定食品样品中柠檬黄和日落黄含量

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Seyyedeh Fatemeh Hosseini, Tahereh Heidari, Ahmad Zendehjashn and Najmeh Rezaei

    食品标签

    其他饮料 品质、结构与理化性质 理化与结构表征

    计算机标签

    偏最小二乘法 定量预测/回归分析 可见光/RGB/视频数据

    偶氮染料(如柠檬黄、日落黄)因性价比高、稳定性好,被广泛用作食品着色剂。对食品中的这类染料进行精准定量检测,是监管溯源工作的关键,既能保障食品安全标准合规,又可最大程度降低健康风险。本研究依托数字图像技术结合化学计量学,建立了一种低成本、环境友好的食品样品中两种偶氮染料同步检测方法。将偏最小二乘回归算法应用于红绿蓝+灰度+色相饱和度亮度彩色直方图数据时,获得了最优预测效果:柠檬黄与日落黄的决定系数分别为0.9977、0.9989,预测均方根误差分别为0.21毫克/升、0.10毫克/升,相对预测误差分别为1.6%、1.0%。将该方法应用于软饮料样品中柠檬黄和日落黄的含量检测,所得结果与高效液相色谱法检测结果具有良好一致性。该创新检测手段为染料浓度监测提供了实用且可靠的替代方案,可为食品生产企业及卫生监管部门落实食品安全标准管控提供技术支撑。

  • 基于近红外光谱和化学计量学组合的Gastrodia elata Blum地理可追溯性

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Guangyao Li, Jieqing Li, Honggao Liu & Yuanzhong Wang

    食品标签

    食用花卉 品质、结构与理化性质 光谱/色谱/质谱等分析方法

    计算机标签

    机器学习/统计学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据

    天麻的有效成分含量受不同地区的土壤与气候条件影响,因此地理溯源对保障其品质与商品价值至关重要。本研究将近红外光谱技术与多种化学计量学方法相结合,构建了一套有效的天麻地理溯源方法。首先,基于陕西数据集的近红外光谱数据构建传统机器学习模型,同时利用近红外光谱生成的二维同步相关谱图像和三维同步相关谱图像构建残差网络模型;其次,采用昭通数据集对模型性能进行验证。结果表明,三维同步相关谱-残差网络模型效果最优,测试集准确率达100.00%,交叉验证准确率为95.45%。本研究为监管部门快速甄别天麻产地真伪提供了理论依据,但后续仍需扩充数据、开展深入研究,进一步验证并完善该模型的适用范围。

  • 利用生物信息学与人工智能揭示Osborne蛋白类别的物理化学差异

    2025
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Hyukjin Kwon, Yixiang Xu, Xuan Xu & Yonghui Li

    食品标签

    蛋白质配料 品质、结构与理化性质 动力学建模 蛋白质与氨基酸

    计算机标签

    支持向量机 图神经网络 分类/鉴别/等级评定 组学数据 大规模数据集

    Osborne分级法仍是食品科学中用于分类种子储存蛋白(SSPs)的基石,但各类别之间的分子差异仍不清楚。本研究采用一个整合了结构建模、人工智能(AI)驱动的分类以及分子动力学(MD)模拟的计算框架,以阐明这些潜在的物理化学差异。使用来自215个物种的1039个SSPs数据集,提取并比较了基于序列和结构的特征,以识别类别特异性特征,例如清蛋白的低疏水斑块面积。在这些特征上训练了机器学习(ML)分类器(包括二元支持向量机和图卷积网络),验证和测试准确率在96.0%至100.0%之间。使用SHapley加性解释和显著性映射进行的模型解释,分别揭示了清蛋白/醇溶蛋白与球蛋白/谷蛋白之间的关键区别特征。对于清蛋白和醇溶蛋白类别,物理化学特征比较和ML分类器识别了导致其溶解度差异的因素,例如醇溶蛋白中带电残基的低丰度。另一方面,尽管某些特征(例如平均表面电势)能区分球蛋白和谷蛋白,但未发现这些特征与实验溶解度趋势之间存在明确关联。值得注意的是,球蛋白和谷蛋白的显著性分析突出了保守的β-桶基序之外的环和螺旋区域,在这些区域观察到了谷氨酸、甘氨酸、丝氨酸和谷氨酸残基的组成差异。MD模拟探索了代表性SSPs在特定溶剂中的构象变化,对单聚体进行了全原子模拟,并对多聚体进行了粗粒度模拟。对于2S大豆清蛋白和19 kDa玉米醇溶蛋白,在它们适应70%乙醇环境的过程中观察到了不同的氢键模式,并且在多聚体模拟中再现了预期的聚集趋势。结合ML分类中强调的特征,这些结果表明,清蛋白和醇溶蛋白的实验溶解度可以在单体水平上得到解释。然而,对于豌豆豆球蛋白A(球蛋白)和水稻谷蛋白A1,未观察到结构和聚集动力学的明显差异,仅凭单体特性无法解释它们不同的溶解度。这些发现表明,谷蛋白的不溶性很可能由蛋白质间的二硫键网络决定,而非其内在的单体特性,这与先前的实验观察结果一致。

  • 可持续食品设计中的人工智能:技术、伦理考量与未来

    2025
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    S. Harikrishnan, Deepika Kaushik, Prasad Rasane, Ashwani Kumar, Narinder Kaur, Chagam Koteswara Reddy, Charalampos Proestos, Fatih Oz & Mukul Kumar

    食品标签

    循环经济与绿色供应链

    计算机标签

    机器学习/统计学习 深度学习

    背景:应对气候变化、资源枯竭和粮食不安全等紧迫的全球性挑战,需要创新的可持续食品设计方法。人工智能(AI)正逐渐成为一项变革性技术,有望显著提升整个食品系统的可持续性。
    范围与方法:本综述全面探讨了人工智能与可持续食品设计的融合。它探究了各项技术创新,包括人工智能驱动的精准农业、智能食品加工以及替代蛋白质的研发。本文进一步研究了人工智能通过预测分析和区块链在优化食品供应链中所发挥的作用。关键的是,它还深入分析了人工智能在食品系统中涉及的伦理考量、环境和社会影响,以及不断演变的监管格局,指出了未来的发展前景和固有的挑战。
    主要发现与结论:人工智能拥有革新食品生产、分销和消费的巨大能力,能够提高效率并减少环境足迹。然而,要充分发挥其潜力,就必须解决算法偏见、数据隐私和社会公平等关键伦理问题,同时减轻人工智能自身对环境的影响。一种多方利益相关者参与的协作方式,以健全的伦理框架和透明的政策为支撑,对于确保人工智能的负责任和公平部署至关重要,最终将为子孙后代培育一个具有韧性和可持续性的全球食品系统。

  • 人工智能在食品安全中的角色:迈向零污染的战略路径

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Sobia Naseem & Muhammad Rizwan

    食品标签

    食品安全与风险评估

    计算机标签

    机器学习/统计学习 知识抽取与语义理解 文本/知识库/法规数据

    人工智能正助力食品安全朝着零污染目标迈进,广泛应用于供应链管理、质量管控、污染物检测以及消费者安全保障等领域。人工智能与物联网、区块链、基因组学等技术深度融合,能够提升整个食品供应链的溯源能力、预测分析水平以及病原体识别效率。人工智能在食品安全领域的应用范围十分广泛,涵盖污染物检测、供应链动态监测、潜在风险预判以及质量管控流程优化等多个方面。要实现食品零污染,人工智能将发挥核心作用,助力构建具备韧性、反应灵敏且高效运转的食品安全体系,守护公众健康并增强消费者信任。人工智能在风险防控与保障食品品质完整性方面具备显著优势,但数据质量、监管体系、伦理规范等方面的挑战也亟待审慎应对。持续的技术创新与战略性投入,对于充分释放人工智能的潜力、应对不断变化的食品安全难题、维护全球粮食安全至关重要。未来的研究方向主要包括完善数据共享机制、搭建透明化的人工智能应用体系以及推动跨学科深度合作。此类合作是最大限度发挥人工智能价值、守护公众健康、打造具备抗风险能力食品体系的关键所在。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号